model.sol()

دنباله های حل کننده


	حل کننده ها و مراحل مطالعه

نحو

model.sol().create( <tag> )

model.sol().create( <tag> , <studytag> )

model.sol().create( <tag> , <studytag> , <varstag> )

model.sol().remove( <tag> )

model.sol( <tag> ).create( <ftag> , <oper> )

model.sol( <tag> ).feature().remove( <ftag> )

model.sol( <tag> ).feature( <ftag> ).create( <f2tag> , <oper> )

model.sol( <tag> ).feature( <ftag> ).set( خاصیت , <value> )

model.sol( <tag> ).feature( <ftag> ).getAllowedPropertyValues( خاصیت );

model.sol( <tag> ).attach( <stag> )

model.sol( <tag> ).isAttached()

model.sol( <tag> ).detach( <stag> )

model.sol( <tag> ).study( <stag> )

model.sol( <tag> ).clearSolutionData()

model.sol( <tag> ).copySolution( <ctag> )

model.sol( <tag> ).createAutoSequence( <stag> )

model.sol( <tag> ).createSolution()

model.sol( <tag> ).updateSolution()

model.sol( <tag> ).adaptationStudyFeature()

model.sol( <tag> ).adaptationStudyFeature( <stag> )

model.sol( <tag> ).getDefaultSolnum()

model.sol(<tag>).setClusterStorage

model.sol(<tag>).getClusterStorage

model.sol( <tag> ).isEmpty()

model.sol( <tag> ).isInitialized()

model.sol( <tag> ).run( <ftag> ,[ <createPlots> ])

model.sol( <tag> ).runFrom( <ftag> ,[ <createPlots> ])

model.sol( <tag> ).runFromTo( <ftagstart>,<ftagstop> ,[ <createPlots> ])

model.sol( <tag> ).runAll([ <createPlots> ])

model.sol( <tag> ).run()

model.sol( <tag> ).continueRun()

شرح

model.sol().create( <tag> ) یک دنباله حل کننده به مدل اضافه می کند.

model.sol().create( <tag> , <studytag> ) یک دنباله حل کننده به مدل اضافه می کند. سازنده یک ویژگی از نوع StudyStep را با تگ <studytag> به دنباله حل کننده. این ویژگی StudyStep به یک مرحله مطالعه متصل است (به model.study() مراجعه کنید .

model.sol().create( <tag> , <studytag> , <varstag> ) یک دنباله حل کننده به مدل اضافه می کند. سازنده یک ویژگی از نوع StudyStep با تگ <studytag> و یک ویژگی از نوع Variables با تگ <varstag> را به دنباله حل کننده اضافه می کند.

model.sol().remove( <tag> ) یک دنباله حل کننده را از مدل حذف می کند.

model.sol( <tag> ).create( <ftag> , <oper> ) یک ویژگی حل کننده ایجاد می کند. هر ویژگی حل کننده یک عملیات حل کننده است.

model.sol( <tag> ).feature().remove( <ftag> ) ویژگی حل کننده <ftag> را حذف می کند .

model.sol( <tag> ).feature( <ftag> .set( خاصیت , <value> ) خاصیت ویژگی را برای ویژگی <ftag> تنظیم می کند .

model.sol(< tag >).feature(< ftag >)).getAllowedPropertyValues(property) مجموعه مقادیر مجاز برای یک ویژگی را برمی گرداند اگر مجموعه مجموعه محدودی از رشته ها باشد. در غیر این صورت، null برمی گرداند.

model.sol( <tag> ).attach( <stag> ) یک دنباله حل کننده با برچسب <tag> را به مطالعه با برچسب <stag> متصل می کند ، که آن را در زیر آن مطالعه قابل مشاهده می کند. می توانید از ضمیمه استفاده کنید تا دنباله حل کننده را بخشی از دنباله مطالعه کنید. از طرف دیگر،با استفاده از model.sol( <tag> ).study( <stag> ) ، فقط یک دنباله حل کننده را با یک مطالعه مرتبط می کند. عملیات attach() به فراخوانی study( <tag> ) اشاره دارد . شما فقط می توانید یک دنباله حل کننده به هر مطالعه متصل داشته باشید (اما می توانید چندین ویژگی دسته ای داشته باشید).

model.sol(<tag>).isAttached() true برمی گرداند اگر دنباله حل کننده با برچسب <tag> به یک مطالعه متصل شود.

model.sol( <tag> ).detach( <stag> ) یک دنباله حل کننده را با برچسب <tag> از مطالعه با تگ <stag> جدا می کند .

model.sol( <tag> ).clearSolutionData() داده های حل محاسبه شده مرتبط با دنباله حل کننده <tag> را پاک می کند . تنظیمات و تنظیمات انتخاب راه حل در ویژگی های نتایج مرتبط با راه حل اصلاح نشده است.

model.sol(<tag>).getDefaultSolnum() کدام solnum را که فراخوانی getU() برمی گرداند برمی گرداند (مقایسه با getU( <solnum> ) ؛ به Solution Data مراجعه کنید ).

model.sol( <tag> ).setClusterStorage( <value> ) قالب ذخیره راه حل مورد استفاده در خوشه ها را تنظیم می کند. از <value> “all” برای ذخیره راه حل در تمام گره های خوشه و <value> “single” برای ذخیره راه حل فقط در یک گره خوشه استفاده کنید.

model.sol( <tag> ).getClusterStorage() اگر راه حل در تمام گره های خوشه ای ذخیره شده باشد، “all” و اگر راه حل تنها در یک گره خوشه ذخیره شده باشد، “single” را برمی گرداند

model.sol( <tag> ).copySolution( <ctag> ) داده های راه حل مرتبط با دنباله حل کننده <tag> را در یک دنباله حل کننده جدید <ctag> کپی می کند . ویژگی ها کپی نمی شوند.

model.sol( <tag> ).createAutoSequence( <stag> ) یک دنباله حل کننده از ویژگی ها به طور خودکار از مطالعه <stag> ایجاد می کند . توالی مراحل مطالعه به عنوان ورودی به الگوریتم تولید توالی استفاده می شود، اما همچنین فیزیک مورد استفاده در مراحل مطالعه برای اتخاذ خودکار تنظیمات حل کننده استفاده می شود.

model.sol( <tag> ).createSolution() یک شی راه حل را از یک یا چند عملیات مجموعه ایجاد می کند ( setU(…) , …)، برای جزئیات بیشتر به ایجاد راه حل مراجعه کنید .

model.sol( <tag> ).updateSolution() یک داده راه حل مرتبط با دنباله حل کننده را به روز می کند تا با مدل فعلی سازگار باشد.

model.sol( <tag> ).adaptationStudyFeature() مسیر را به ویژگی مطالعه با تطبیقی برمی گرداند که این دنباله یا رشته خالی را در صورت عدم وجود کنترل می کند. model.sol( <tag> ).adaptationStudyFeature( <ftag> ) ویژگی مطالعه را با تطبیق <ftag> تنظیم می کند که دنباله حل کننده <tag> را کنترل می کند . از یک رشته خالی برای غیرفعال کردن کنترل مطالعه استفاده کنید.

model.sol( <tag> ).isEmpty() اگر داده راه حلی وجود نداشته باشد یا تمام داده های راه حل پاک شده باشد درست است.

model.sol( <tag> ).isInitialized() درست است اگر راه حل یک شی معتبر (initialized) باشد. حتی اگر راه حل پاک شده باشد، isInitialized درست است (از isEmpty برای بررسی داده های راه حل پاک شده استفاده کنید).

model.sol( <tag> ).run( < ftag> ) ویژگی های یک دنباله حل کننده را تا و شامل ویژگی <ftag> اجرا می کند . این مربوط به کلیک کردن بر روی روی گره ویژگی توالی حل کننده در دسکتاپ COMSOL است.

model.sol( <tag> ).runFrom( < ftag> ) ویژگی های یک دنباله حل کننده را از و شامل ویژگی <ftag> اجرا می کند .

model.sol( <tag> ).runFromTo( <ftagstart> , <ftagstop> ) ویژگی های یک دنباله حل کننده را از و شامل ویژگی <ftagstart> به و شامل ویژگی <ftagstop> اجرا می کند .

model.sol( <tag> ).runAll() و model.sol( <tag> ).run() تمام ویژگی های یک دنباله حل کننده را اجرا می کنند.

همه متدهای run ، runFrom ، runFromTo و runAl l می‌توانند یک آرگومان ورودی بولی اضافی createPlots بگیرند ، که وقتی روی true تنظیم شود، هنگام محاسبه یک راه‌حل، نمودارهای پیش‌فرض مربوطه را ایجاد می‌کند.

model.sol( <tag> ).continueRun() به اجرای یک دنباله حل کننده ادامه می دهد.

مثال ها

فرض کنید یک مطالعه st1 یک مرحله مطالعه ثابت را با برچسب stat1 برای برخی معادلات نشان می دهد.

کد برای استفاده با جاوا

model.sol().create(“s”””step1″””vars1”);

model.sol(“s”).feature(“step1”).set(“مطالعه”،”st1”);

model.sol(“s”).feature(“step1”).set(“studystep”,”stat1″);

model.sol(“s”).create(“solver1″,”Stationary”);

کد برای استفاده با متلب

model.sol.create(‘s’,’step1′,’vars1′);

model.sol(‘s’).feature(‘step1’).set(‘study’,’st1′);

model.sol(‘s’).feature(‘step1’).set(‘studystep’,’stat1′);

model.sol(‘s’).create(‘solver1′,’Stationary’);

فرض کنید که یک مرحله مطالعه دوم با پاسخ فرکانسی با برچسب freq1 به مطالعه اضافه می شود و می خواهید با استفاده از حل کننده پارامتری و راه حل بالا به عنوان نقطه خطی سازی (راه حل بایاس) یک جارو فرکانسی از 10 تا 1000 ایجاد کنید.

کد برای استفاده با جاوا

model.sol(“s”).create(“step2″,”StudyStep”);

model.sol(“s”).feature(“step2”).set(“مطالعه”،”st1”);

model.sol(“s”).feature(“step2”).set(“studystep”,”freq1″);

model.sol(“s”).create(“vars2″,”Variables”);

SolverFeature s2 = (SolverFeature) model.sol(“s”).create(“solver2″,”Stationary”);

s2.set(“nonlin”,”linper”); // (*)

s2.set(“linpmethod”،”sol”);

s2.set(“linpsol”، “s”);

s2.set(“storelinpoint”، “on”);

s2.create(“par”,”Parametric”);

s2.feature(“par”).set(“pname”,”freq”);

s2.feature(“par”).set(“plist”,new double[]{10,1000});

s2.runAll();

کد برای استفاده با متلب

model.sol(‘s’).create(‘step2′,’StudyStep’);

model.sol(‘s’).feature(‘step2’).set(‘study’,’st1′);

model.sol(‘s’).feature(‘step2’).set(‘studystep’,’freq1′);

model.sol(‘s’).create(‘vars2′,’Variables’);

s2 = model.sol(‘s’).create(‘solver2′,’Stationary’);

s2.set(‘nonlin’,’linper’); // (*)

s2.set(‘linpmethod’,’sol’);

s2.set(‘linpsol’, ‘s’);

s2.set(‘storelinpoint’, ‘on’);

s2.create(‘par’,’Parametric’);

s2.feature(‘par’).set(‘pname’,’freq’);

s2.feature(‘par’).set(‘plist’,[10,1000]);

s2.runAll;

در این مرحله راه حل s به مرحله مطالعه freq1 مرتبط است (اما به طور غیر مستقیم به مرحله مطالعه سوگیری stat1 نیز بستگی دارد).

(*) از عملکرد مطالعه سیگنال کوچک استفاده می کند، که دسترسی به نقطه خطی سازی برای پس پردازش همراه با راه حل سیگنال کوچک را ممکن می سازد. در اینجا فرض می شود که مشکل بایاس و مشکل سیگنال کوچک می توانند به طور مستقل برای دو مرحله مطالعه تنظیم شوند.

سازگاری

از نسخه 5.3a، روش

model.sol( <tag> ).clearSolution()

منسوخ شده و با روش جایگزین شده است

model.sol( <tag> ).clearSolutionData()

از آنجایی که clearSolutionData به طور کلی همانطور که انتظار می رود کار می کند، در حالی که clearSolution تنظیمات را به طور غیرمنتظره ای پاک می کند.

همچنین ببینید

model.study()

model.sol()

شما چه احساسی دارید

اشتراک گذاری این مقاله :